各种图像预处理及效果图

标签：均值滤波效果图直方图灰度图像预处理

2.3图像的预处理

预处理是图像处理中很关键的一步，预处理的好坏会直接影响最终结果。所以好的预处理可以减少噪声、光照、遮挡等因素的影响，使得实验数据更清晰，提高最终的识别精度和识别速度。

2.3.1图像增强

猪场一般情况下光线偏暗，对比度较低，对猪只的行为识别以及身份识别的难度较大，所以需要图像增强来解决这个问题。

（a）随机视频帧（b）灰度直方图

图2.4随机视频帧的灰度直方图

Figure2.4 Gray histogram of random video frame

光线较暗时，根据灰度直方图可知灰度大都集中在地灰度的区域。图像增强可以改善这种情况，

提高图片的质量。常用的方法有拉布拉斯变换、gamma变换、对数变化、直方图均衡化等。

（1）拉布拉斯变换

拉布拉斯变换是图像处理中常用的二阶微分算法，主要有以下几步：图像分析、识别、重构以及提取。拉布拉斯变换实际上就是对图像进行锐化操作，增强灰度反差，让图像变得更清晰[61]。

拉布拉斯变换的二阶导数定义：

${{\nabla }^{2}}f(x,y)=\frac{{{\partial }^{2}}f}{\partial {{x}^{2}}}+\frac{{{\partial }^{2}}f}{\partial {{y}^{2}}}$ （2-3-1）

$\frac{{{\partial }^{2}}f}{\partial {{x}^{2}}}=f(x+1,y)+f(x-1,y)-2f(x,y)$ （2-3-2）

$\frac{{{\partial }^{2}}f}{\partial {{x}^{2}}}=f(x,y+1)+f(x,y-1)-2f(x,y)$ （2-3-3）

${{\nabla }^{2}}f(x,y)=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)$ （2-3-4）

其4个模板分别为：

（a）猪圈A原图（b）猪圈A效果图

（c）猪圈B原图（d）猪圈B效果图

图2.5 拉布拉斯变换后的效果图

Figure 2.7 Effect of Labras transformation

由图2.5所知，（a）为原图，(b)为拉布拉斯变换后的效果图。变换后图像的亮度得到提升，但是由于曝光度过大导致白色猪只无法进行正确识别。

（2）Gamma变换

Gamma变换是一种简单的图像处理方法，通过调整γ和c两个参数来对图像亮度进行控制。Gamma变换的数学表达如式（2-14）所示。

${{q}_{out}}=cq_{in}^{\gamma }$ （2-3-6）

图2.5 Gamma曲线图

Figure2.5 Gamma curve

（a）猪圈A效果图（b）猪圈B效果图

图2.6 Gamma变换后的效果图

Figure 2.6 Effect of Gamma transformation

Gamma变换其实是一个很简单很常用的一个变换，但是变换效果如图2.6所示，可知处理后的图片亮度更暗了，深色猪只无法显现，严重影响了图像识别的精度。

（3）对数变换

对数变换实际上就是将输入窄范围的低灰度值扩展为范围宽的灰度值和宽范围的高灰度值压缩为映射为范围窄灰度值，从而使得图片变得更亮了。对数变换的数学表达式[65]如下：

$f(x,y)=A\ln [\left| g(x,y) \right|+1]$ （2-3-7）

图2.7 对数变换后的效果图

Figure 2.7 Effect picture after logarithmic transformation

对数变换后的效果如图2.7所示。亮度得到提升，处理的效果比起原图好很多，能够提升图像识别的精度。

（4）直方图均衡化

直方图均衡化的原理就是把原来灰度直方图中相对集中的灰度区间均匀分布开来，也就是对图像做非线性拉伸，对像素值进行重新分配，从而使得图像对比度得到提高，让图像变得更清晰[66]。

直方图的数学表达如下：

$\Pr (rk)=\frac{nk}{n},k=0,1,2,...,L-1$ （2-3-8）

2.3.2图像滤波

由于采集图像的时候会存在成像系统以及记录设备不完善的问题，导致传输过程中受到噪声的影响，从而让我们看起来有一些孤立的点或者说是像素块。噪声用数学表达来说就是有时候大有时候又会小的极值，这些极值会影响灰度值，影响图像的亮度以及质量。图像滤波可以尽可能的保留图像特征的情况下消除噪声，提高图像的质量。常用的滤波方法有均值滤波、高斯滤波和双边滤波等。

（1）均值滤波

均值滤波的原理是计算窗口内中心像素值和周围像素值的均值来代替中心像素值，然后用窗口遍历整个图像进行均值滤波操作。均值滤波主要是通过均值操作来去除图像中的不相关的一些细节来降低噪声，把图像模糊化来获得所需要目标的粗略描述。均值滤波的数学表达如下：

$f'(x,y)=\frac{1}{N\times N}\sum\limits_{(x,y)\subset \Omega }{f(x,y)}$ （2-3-11）

均值滤波的效果图如图2.9所示。

图2.9均值滤波效果图

其中图（a）为椒盐噪声图，图(b)为经过均值滤波后的效果图，由图（b）发现，均值滤波实际上就是把原图模糊化了，效果并不是很好。

（2）高斯滤波

高斯滤波的原理是利用正态分布来确定权重，从而确定高斯函数来对图像进行滤波操作。高斯滤波的权重受空间距离影响，距离越远权重越低，处理像素点的效果就越差，相反就效果越好。高斯滤波的数学表达[67]如下：

高斯滤波总的来说包括以下步骤：

1）移动相关核的中心元素，使它位于输入图像待处理像素的正上方；
2）将输入图像的像素值作为权重，乘以相关核；
3）将上面各步得到的结果相加做为输出。

（a）（b）

图2.10高斯滤波效果图

如图2.10所示，高斯滤波的效果比均值滤波要好一些，椒盐噪声的去除力度相对于均值滤波也较大。

（3）双边滤波

双边滤波也是我们常用的一个图像处理的方法，它能够同时把空间信息和灰度信息同时考虑，从而达到保边去噪的效果，具有简单、非迭代以及突出局部信息的优点[68]。双边滤波顾名思义，就是通过两个权值函数来对图像进行滤波操作。

第一个是空间域的高斯核函数，其数学表达式如式（2-22）所示。

$ws\left( x,y \right)=\exp \left( -\frac{{{(x-m0)}^{2}}+{{(y-n0)}^{2}}}{2\sigma _{s}^{2}} \right)$ （2-3-14）

（a）（b）

图2.11双边滤波效果图

如图2.11所示，双边滤波可以去除绝大部分的椒盐噪声，效果也是这三种滤波操作中最好的，所以本文的滤波方法采用双边滤波。

（a）猪圈A效果图（b）猪圈B效果图

图2.12对数变换+双边滤波+直方图均衡化后的效果图

Figure 2.12 The effect diagram after logarithmic transformation + bilateral filtering + histogram equalization

通过对原图先进行对数变换，再进行双边滤波，最后进行直方图均衡化，效果图如图2.12所示，这个方法比起前面几种处理方法，无论从对比度还是在亮度上效果都好很多。本文就采用对数变换、双边滤波、直方图均衡化结合的方法来对原始数据集进行预处理。

2.4本章小结

本章主要介绍了我们所要实验数据的来源以及采集的设备。介绍了关键帧提取的方法和常用的图像增项和图像滤波的方法，并对这几种方法进行仿真，选择一个效果最好的方法作为本文预处理的方法。

标签：均值,滤波,效果图,直方图,灰度,图像,预处理
From： https://blog.csdn.net/m0_44975814/article/details/142982591

各种图像预处理及效果图

2.3图像的预处理

2.3.1图像增强

2.3.2图像滤波

2.4本章小结

相关文章

赞助商

阅读排行